改进LSTM-RF算法的传感器故障诊断与数据重构研究

针对传感器的故障诊断与故障数据重构问题,提出一种基于改进型长短期记忆网络(LSTM)和随机森林(RF)的混合算法.首先,运用改进型LSTM算法对传感器的输出序列进行预测,将预测值与实际值作差得到残差序列.然后,通过RF算法对残差序列进行分类,识别出传感器的故障状态.当传感器诊断的结果为故障工作状态时,利用改进型LSTM的预测值重构故障数据.所提的改进LSTM-RF算法在功能上既可以对传感器故障类型进行诊断,又可以对故障数据进行重构.实验结果表明,改进的LSTM-RF算法的传感器故障识别准确率在不同的数据集上均能大于97％,故障数据重构的均方根误差小于4％;相比标准的LSTM-RF算法,改进的LSTM-RF算法在收敛速度提高的同时故障数据重构的精度提高了0.4％.     

面向多类型传感器优化布置的结构响应重构

提出了利用逐步消去法(backward sequential algorithm, BSA)、萤火虫算法(firefly algorithm, FA)分别和类卡尔曼滤波算法(excitation identification Kalman filter, EIKF)结合,以结构响应重构为目标,对不同类型传感器同时进行位置优化的方法.通过对萤火虫算法进行二进制编码,使其能够解决传感器优化布置问题;以结构响应重构误差方差平均值为目标,以离散萤火虫算法和逐步消去法为求解方法实现传感器位置的优化;利用预测的状态向量值对激励和感兴趣位置处的结构响应进行重构.用一个二维桁架模型来验证所提出方法的实用性和有效性.数值算例结果表明,利用两种方法得到的优化位置处的测量信息求得的重构激励和响应与理论值能够很好地吻合,对比验证了两种方法的有效性.     

无线传感器网络数据的相关性自适应压缩感知

为减小无线传感器(WSN)网络数据传输过程中相关性发生变化对压缩感知重构精度的影响,提出一种相关性自适应的网络数据重构方法。该方法首先通过迭代对待重构数据的相关性进行估计,进而采用支集元素的两步相关检验方法对网络数据稀疏系数向量中非零元素进行重构,最终得到更为精确的重构数据。仿真结果表明,该算法能有效抑制实际传输过程中各种干扰对网络数据重构的影响,提高网络数据相关性变化情况下的重构准确度。     

传感网中基于能量有效的多参数数据重构方法

为了更好地抵制网络能量快速消耗和降低不可靠链路对无线传感器网络系统数据收集的影响以提高数据重构精度,提出了一种基于能量有效的多参数数据重构方法（Multi-parameter Data Reconstruction Method based on Energy Efficient,MDR）。利用移动智能计算给出传感器节点之间多跳函数关系以确定传感器节点之间比例关系;通过稀疏矩阵设计一种低相干性的观测矩阵,抑制数据丢包率对整个传感网系统的影响,提高汇聚节点数据重构精度;通过基于数据转发策略确认机制实现簇间数据传输的高可靠性,完成了节点间多路径路由数据的可靠交付。仿真实验表明,在数据丢包率为40%的情况下,MDR的数据重构精度误差仍小于5%;在与其他算法比对时,其数据转发次数降低了10.36%,平均网络能耗降低了13.29%,从而验证了该算法的有效性和实效性。     

基于柔性三维力触觉传感器的滑觉识别算法研究

针对智能机器人在软抓取过程中对三维力感知和滑觉识别的需求,本文以炭黑/碳纳米管为敏感材料,硅橡胶为基体,聚酰亚胺为柔性电极,设计了可以实现三维力感知的柔性触觉传感器;同时设计了一种可以实现滑觉识别的基于小波变换-相空间重构-支持向量机(DWT-PSR-SVM)的融合算法。针对机器人软抓取的实验结果表明,该传感器能够有效地检测三维力,通过所设计融合算法能识别在机器人抓取任务中的滑动状态和非滑动状态,可以进一步应用在机器人软抓取的工作中。     

传感器数据的高精度重构方法及其性能研究

不同传感器具有不同的非线性。为提高传感器数据重构精度,本文给出两种数据重构方法。对于不是特别严重的非线性,采用最小二乘拟合与径向基函数残差插值进行融合重构,可以在增加有限计算量条件下提高数据的近似精度;对于非线性较严重的传感器,为兼顾局部特性,采用移动最小二乘法进行数据重构,它通过全局近似向局部近似的转化,同样使重构结果具有满意的近似精度。选用两种不同传感器进行实验,结果表明两种方法均行之有效。     

基于卡尔曼过滤的多传感器协作数据重构算法研究

本文针对多传感器系统存在的数据易丢失、易受干扰和易失真等问题,在卡尔曼过滤的基础上结合协同合作方式提出了一种协作数据重构算法。该算法从一阶线性化、二次加权突变平滑和随机统计特征等方面出发建立了适用于多传感器系统的卡尔曼过滤算法,然后基于中继转发信号和自适应感知时间间隙,给出了协作数据重构多传感器系统协同过程控制算法。数学分析和实验结果表明,所提算法与压缩感知重构算法相比在监测数据准确度、均方差、功耗和能耗等方面表现出优势。     

一种可感知三维力的新型柔性触觉传感器及滑觉识别算法研究

针对智能机器人在软抓取过程中对三维力感知和滑觉识别的需求,以炭黑/石墨烯为敏感材料,硅橡胶为基体,聚酰亚胺为柔性电极,设计了可以实现三维力感知的柔性触觉传感器;同时设计了一种可以实现滑觉识别的基于小波变换-相空间重构-支持向量机(DWT-PSR-SVM)的融合算法.针对机器人软抓取的实验结果表明,该传感器能够有效地检测三维力,通过所设计融合算法能识别在机器人抓取任务中的滑动状态和非滑动状态,可以进一步应用在机器人软抓取的工作中.     

基于压缩传感的多尺度传感器融合

针对传统采样理论需要采集大量观测数据所带来的存储、传输以及经济方面的压力,提出了一种基于压缩传感理论的多尺度传感器融合方法.分析了基于压缩传感理论的重构算法的设计问题,采用曲线拟合方法对多尺度的传感器的时间配准.仿真结果表明,基于正交匹配追踪算法几乎可以完全重构原始信号.与传统采样算法相比,虽然精度没有传统的方法高,但是在误差允许范围内,采集的数据少,所需时间少,减少了数据的传输和存储成本.     

基于支持向量回归的非线性多功能传感器信号重构

在多功能传感器信号重构中,通常采用经验风险最小化准则实现函数回归,在小样本情况下,该方法易导致泛化性差和过拟合问题.本文利用支持向量回归方法实现非线性多功能传感器信号重构,支持向量机是基于结构风险最小化准则的新型机器学习方法,可有效抑制过拟合问题并改善泛化性能.仿真结果表明经该算法重构后的信号重构误差率在0.4%以下,重构效果较好,验证了该算法的有效性.